COCO-Seg Veri Seti#

COCO-Seg veri seti, COCO (Common Objects in Context) örnek bölütleme maskelerini — 80 nesne kategorisinde çokgen maskelere sahip 118.287 eğitim ve 5.000 doğrulama görüntüsü — Ultralytics YOLO etiket formatında sunar. YOLO eğitimi için dönüştürülmüş olan COCO'nun orijinal görüntülerini ve yerel bölütleme ek açıklamalarını kullanır; bu da onu instance segmentation görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için çok önemli bir kaynak haline getirir.

COCO-Seg Önceden Eğitilmiş Modelleri#

Temel Özellikler#

• COCO-Seg, COCO'nun daha geniş ~330 bin görüntülük sürümünden, etiketli 123.287 adet COCO train2017/val2017 görüntüsü (118.287 eğitim + 5.000 doğrulama) için örnek segmentasyon maskeleri sağlar.
• Veri seti, orijinal COCO veri setinde bulunan aynı 80 nesne kategorisinden oluşur.
• Ek açıklamalar, YOLO poligon etiket formatında örnek segmentasyon maskeleri sağlar.
• COCO-Seg, örnek segmentasyon performansını değerlendirmek için standartlaştırılmış mAP ve mAR metrikleri sağlar ve model performansının etkin bir şekilde karşılaştırılmasına olanak tanır.
• İndirme boyutu: İlk kullanımda ~20.3 GB (train2017.zip + val2017.zip + etiketler). 7 GB boyutundaki test2017.zip, bu görüntülerde yer tutucu gerçek değerler gizlendiğinden ve yalnızca bir test-dev2017 submission için gerekli olduğundan otomatik olarak indirilmez.

Veri Kümesi Yapısı#

COCO-Seg veri seti üç alt kümeye ayrılmıştır:

1. Train2017: Örnek segmentasyon modellerini eğitmek için 118.287 görüntü.
2. Val2017: Model geliştirme sırasında doğrulama için kullanılan 5.000 görüntü.
3. Test-dev2017: Kıyaslama için kullanılan 40.670 test2017 görüntüsünden 20.288'i. Bu alt küme için gerçek değer ek açıklamaları herkese açık değildir, bu nedenle puanlama için tahminlerin COCO evaluation server adresine gönderilmesi gerekir.

Daha küçük deneme ihtiyaçlarınız için COCO128-Seg (128 görüntü) ve COCO8-Seg (8 görüntü) alt kümelerine göz atabilirsin.

Uygulamalar#

COCO-Seg, YOLO modelleri gibi örnek bölütleme modellerini eğitmek ve değerlendirmek için derin öğrenme alanında yaygın olarak kullanılır. Çok sayıdaki etiketli görsel, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayarlı görü araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak haline getirir. Tam COCO-Seg etiketlemelerine ayrıca Ultralytics Platform üzerinden göz atabilir ve bunları yönetebilirsin.

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgileri hakkında ayrıntılar içerir. COCO-Seg veri seti söz konusu olduğunda, coco.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml adresinde barındırılır ve korunur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Kullanım#

COCO-Seg veri seti üzerinde 640 görüntü boyutuyla 100 epochs boyunca bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

COCO-Seg, COCO ile aynı çeşitlilikteki görüntüleri, nesne kategorilerini ve karmaşık sahneleri içerir ve örnek segmentasyon maskeleri YOLO etiket formatında sunulur. İşte veri setindeki görüntülerden ve bunlara karşılık gelen örnek segmentasyon maskelerinden bazı örnekler:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim serisini göstermektedir. Mosaicing, her bir eğitim serisindeki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntütə birleştiren, eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğine yardımcı olur.

Alıntılar ve Teşekkür#

COCO-Seg veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal COCO makalesine atıfta bulun ve COCO-Seg'e yapılan uzantıyı belirt:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Computer vision topluluğu için bu paha biçilmez kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumu'na teşekkürlerimizi sunarız. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi edinmek için COCO dataset website adresini ziyaret edebilirsin.

SSS#

COCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?#

COCO-Seg, aynı 118.287 train2017 ve 5.000 val2017 görüntüsü için COCO'nun (Common Objects in Context) yerel örnek bölütleme maskelerinin Ultralytics YOLO formatında paketlenmiş halidir. Orijinal COCO ek açıklamaları zaten tüm 80 nesne kategorisi için bu çokgen maskeleri içerir; COCO-Seg bunları object instance segmentation eğitimi için kullanılan YOLO etiket formatına dönüştürür.

COCO-Seg veri setini kullanarak nasıl YOLO26 modeli eğitebilirim?#

COCO-Seg veri seti üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut eğitim argümanlarının ayrıntılı bir listesi için model Training sayfasına göz atabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

COCO-Seg veri setinin temel özellikleri nelerdir?#

COCO-Seg veri seti çeşitli temel özellikler içerir:

• 123.287 etiketli COCO train2017/val2017 görüntüsü (118.287 eğitim + 5.000 val) için örnek segmentasyon maskeleri sağlar.
• Orijinal COCO'da bulunan aynı 80 nesne kategorisini açıklar.
• YOLO poligon etiket formatında örnek segmentasyon maskeleri sağlar.
• Örnek bölütleme görevleri için ortalama Ortalama Hassasiyet (mAP) ve ortalama Ortalama Duyarlılık (mAR) gibi standartlaştırılmış değerlendirme metrikleri kullanır.

COCO-Seg için hangi önceden eğitilmiş modeller mevcuttur ve performans metrikleri nelerdir?#

COCO-Seg veri seti, farklı performans metriklerine sahip birden fazla önceden eğitilmiş YOLO26 bölümleme modelini destekler. İşte mevcut modellerin ve temel metriklerinin bir özeti:

Bu modeller, hafif YOLO26n-seg modelinden daha güçlü YOLO26x-seg modeline kadar uzanır ve çeşitli uygulama gereksinimlerine uyum sağlamak için hız ile doğruluk arasında farklı ödünleşimler sunar. Model seçimi hakkında daha fazla bilgi edinmek için Ultralytics models page adresini ziyaret edebilirsin.

COCO-Seg veri seti nasıl yapılandırılmıştır ve hangi alt kümeleri içerir?#

COCO-Seg veri seti, özel eğitim ve değerlendirme ihtiyaçları için üç alt kümeye ayrılmıştır:

1. Train2017: Öncelikle örnek segmentasyon modellerini eğitmek için kullanılan 118.287 görüntü içerir.
2. Val2017: Eğitim süreci sırasında doğrulama için kullanılan 5.000 görüntüden oluşur.
3. Test-dev2017: Eğitilen modelleri test etmek ve kıyaslamak için ayrılan 40.670 test2017 görüntüsünden 20.288'ini kapsar. Bu alt küme için gerçek değer ek açıklamalarının herkese açık olmadığını ve performans sonuçlarının değerlendirme için COCO evaluation server adresine gönderildiğini unutma.

Daha küçük deneme ihtiyaçların için COCO128-Seg dataset (128 görüntü) veya COCO train 2017 setinden yalnızca 8 görüntü içeren kompakt bir sürüm olan COCO8-Seg dataset seçeneğini de değerlendirebilirsin.